Alle Zahlen dieser Depesche stammen aus einem Abruf der Artificial-Analysis-API (v2, Index-Version 4.1) am 25. August 2026 und sind damit untereinander vergleichbar – das ist der Punkt, an dem die Sache zwölf Tage lang hing. Am 13. August hatten wir Grok 4.6 bewusst nicht in den Katalog aufgenommen: Die AA-Modellseiten wiesen damals für mehrere Modelle rund zwei Punkte mehr aus als unser Katalogstand vom 5. August (Opus 5 dort 63 gegen 61 bei uns, GPT-5.6 Sol 61 gegen 59, Grok 4.5 selbst 56 gegen 54), und aus den Seiten allein war nicht zu entscheiden, ob der Index neu geeicht worden war oder ob die Seiten inzwischen eine andere Aufwandsstufe als Standard zeigen. Eine einzelne neue Zahl neben lauter ältere zu stellen, hätte einen Vorsprung erfunden. Der Abgleich am 21. August hat es als Neueichung auf Index-Version 4.1 ausgewiesen und alle Kennzahlen katalogweit nachgezogen; der Kontroll-Lauf vom 25. August bestätigt die Stabilität (25 Modelle im Toleranzband, Index-Version unverändert). Damit war die Aufnahme belegbar.
Der erste Befund: Die oberste Denkstufe ist die schlechteste. SpaceXAI bietet für Grok 4.6 vier Aufwandsstufen an – „Low, medium, high (default), or xhigh“ steht in der eigenen Dokumentation. Die AA-Schnittstelle führt jede Stufe als eigenen Eintrag, und der Vergleich fällt eindeutig aus: „xhigh“ erreicht 60,0 Punkte im Intelligence Index, 75,9 im Coding Index und 56,6 im Agentic Index. „High“ erreicht 60,9, 76,8 und 58,7 – also in allen drei Indizes mehr. Gleichzeitig kostet der Index-Durchlauf mit „xhigh“ 1,0412 US-Dollar je Aufgabe gegenüber 0,8367 mit „high“, ein Aufschlag von 24 Prozent, und die Zeit bis zum ersten Token steigt von 43,66 auf 46,81 Sekunden. Mehr Aufwand ist hier also messbar teurer, langsamer und schlechter. Die Staffel darunter verhält sich dagegen erwartungsgemäß und ist der eigentliche Hebel: „medium“ liefert 59,0 Punkte für 0,6679 US-Dollar, „low“ noch 51,7 Punkte für 0,2207 US-Dollar – ein Fünftel der „xhigh“-Kosten bei sechs Punkten Abstand zur besten Stufe.
⚠️ Was dieser Befund nicht ist. Er beruht auf einer einzelnen Messreihe eines einzelnen Messenden; die Abstände zwischen „xhigh“ und „high“ liegen bei 0,9 (Intelligenz) und 0,9 (Coding) Punkten und damit in einer Größenordnung, in der Messrauschen mitspielen kann – nur der Agentic-Abstand von 2,1 Punkten liegt deutlicher. Belastbar ist deshalb nicht „xhigh ist schlechter“, sondern die schwächere, aber praktisch entscheidende Aussage: Für den Aufpreis von 24 Prozent ist in keiner der drei gemessenen Disziplinen ein Vorteil nachweisbar. Artificial Analysis legt die Zusammensetzung des Index offen, nicht aber Einzelläufe oder Streuungen; wir haben nichts davon nachgemessen.
Der zweite Befund: gleicher Preis, doppelter Verbrauch. Grok 4.6 und Grok 4.5 kosten je Token exakt dasselbe – 2 US-Dollar je Million Eingabe- und 6 US-Dollar je Million Ausgabe-Token, an der Anbieter-Dokumentation nachlesbar. Für denselben Index-Durchlauf berechnet Artificial Analysis dennoch 0,8367 US-Dollar je Aufgabe für Grok 4.6 und 0,3601 für Grok 4.5, ein Plus von 132 Prozent. Weil der Preis je Token konstant ist, kann diese Differenz nur eines messen: den Token-Verbrauch. Dieselbe Ursache zeigt sich am Tempo. Die Zeit bis zum ersten Token steigt von 10,01 auf 43,66 Sekunden (Faktor 4,4), die Antwortzeit von Anfang bis Ende von 17,83 auf 51,73 Sekunden (Faktor 2,9) – während die reine Ausgabegeschwindigkeit praktisch unverändert bleibt (63,86 gegen 61,92 Token pro Sekunde). Das Modell ist also nicht langsamer geworden, es denkt länger. Erkauft wird damit ein Zugewinn von 55,8 auf 60,9 Indexpunkte.
Ein Praktiker hatte genau das beschrieben – einen Tag vor der Messung und ohne Zahl. Der Kanal Nerd Snipe fasste sein Urteil am 24. August so zusammen: „for my use cases, 4.6 is a downgrade over 4.5 because they made it smarter, but they made it smarter by making it reason for longer. I don’t want that because I liked Grok 4.5 being relatively token efficient and fast.“ Diese Aussage ist Tier C und wäre für sich genommen nicht zitierfähig. Gegen die unabhängige Messung gehalten trifft sie in jedem einzelnen Teil zu: „smarter“ (55,8 → 60,9), „less token efficient“ (0,36 → 0,84 US-Dollar je Aufgabe bei unverändertem Token-Preis), „less fast“ (10,01 → 43,66 Sekunden bis zum ersten Token). Ob das ein „downgrade“ ist, bleibt seine Bewertung und hängt am Einsatzzweck; die Tatsachenbasis dahinter stimmt. Es ist auch die dritte unabhängige Beobachtung derselben Richtung – zwei eigene Kostenmessungen anderer Kanäle vom 14. und 15. August kamen zum selben Ergebnis.
Für die Einordnung im Katalog bleibt der Befund, der schon am 13. August die Schlagzeile war, und er wird von der Schnittstelle bestätigt: Grok 4.6 (Stufe „high“) und GPT-5.6 Sol stehen mit jeweils 60,9 Punkten exakt gleichauf im Intelligence Index, hinter Claude Opus 5 (63,1) und Claude Fable 5 (62,1). Der Listenpreis beträgt 2/6 US-Dollar gegenüber 4/20 bei GPT-5.6 Sol, 5/25 bei Opus 5 und 10/50 bei Fable 5. Rechnet man den Verbrauch ein, ordnet sich die Reihe so: 0,8367 US-Dollar je Aufgabe für Grok 4.6, 0,9604 für GPT-5.6 Sol, 2,3369 für Opus 5, 3,1396 für Fable 5. Grok 4.6 ist damit das günstigste Modell seiner Leistungsklasse. Im Agentic Index erreicht es 58,7 und liegt damit praktisch gleichauf mit Opus 5 (59,2) an der Spitze unseres Katalogs – ein Sprung von zehn Punkten gegenüber Grok 4.5 (48,9).
⚠️ Zwei Vorbehalte zur Vergleichbarkeit. Erstens hat sich ein Messwert innerhalb derselben Quelle bewegt: Am 13. August lasen wir auf der AA-Modellseite 31,18 Sekunden bis zum ersten Token, die Schnittstelle nennt am 25. August 43,66 Sekunden. Wir führen den aktuellen Wert und legen die Abweichung offen – Latenzwerte sind lastabhängig und werden neu gemessen, die Indexwerte sind davon unberührt. Zweitens liefert die frei zugängliche AA-Route weder Terminal-Bench 2.1 noch τ²-bench; diese beiden Vergleichswerte fehlen für Grok 4.6 vorerst und werden im nächsten Verifikations-Lauf nachgetragen. Die Anbieter-Vergleichszahlen aus der Ankündigung (DeepSWE 65,9 Prozent gegen 73,0 bei GPT-5.6 Sol Max) bleiben als Anbieterangabe markiert und ungeprüft.